在科技發達的今天，運輸系統逐漸朝著智能化（ITS）發展，而檢測的方法上亦漸漸趨向以高科技的檢測方式替代傳統人工調查的方式，可以避免漏記或調查員的投機取巧，并且精簡調查成本，在執法方面，各個城市大量采用了電子警察，使得在許多裝有電子警察的交*口和路段交通秩序要好于其它路段。所以，車輛檢測器的發展在現代計算機化的交通管理中扮演著非常重要的角色，其準確度常受到檢測方式、檢測器布設形式、數量與位置的影響。

現有的各種交通參數檢測方式中，只有圖像檢測器（Video Image Detector）是一種可以取得最豐富的交通信息的面式檢測器。視覺為基礎的攝影系統在現今的發展已更加的成熟，而且，比那些點式的感應系統更為有用（例如：環形線圈與壓力式檢測器），因為圖像檢測器所提供的信息可以進行進一步的車輛跟蹤與分類，這對于執法是至關重要的。而其它檢測手段均有較大的限制，點式檢測器僅用于車流上的量測與計數，或是解決特定的子問題（如等候檢測或擁擠車流上的檢測），缺乏一般性的應用。

以計算器進行圖像處理，改善圖像品質的有效應用開始于1964年美國噴射推進實驗室（J.P.L）用計算機對宇宙飛船發回的大批月球照片進行處理，獲得顯著的效果。1970至1980年代由于離散數學的創立和完善，使數字圖像處理技術得到了迅速的發展，隨著電腦的功能日益增強，價格日益低廉，使得圖像處理在各行各業的應用已經成為相當普遍的工具之一，舉凡在醫學工程、工業應用、交通領域應用等。1980年代開始，有關交通量估測的研究漸漸有了成果。到1985年以后，各國對于交通圖像偵測系統已有實際的成品發展出來。另外，近年來結合類神經網絡加速圖像處理速度形成一個研究趨勢。

在進入圖像處理之前，我們首先對圖像做一個概略性的探討。所謂“圖像”泛指所有實際存在含有某種消息的信號，如含有人、事、物等的照片，而紅外線攝影所獲得的信號，則表示某些物體的溫度分布。

我們常說“一幅圖勝過千言萬語”，即是指每張圖像中含有許多的信息，根據我們的目的而進行處理，得出想要的結果。“數字圖像”是將傳統照片或錄像帶模擬訊號經取樣（sample）及數字化后達成。數字化的原因在于方便計算機運算與儲存。所儲存的亮點成為圖像的基本單位，稱為象素（Pixel）。象素的亮度以灰度值（Gray-level）表示，灰度值被劃分為256階，最暗為0，最亮為255。一張圖像被數值化成方塊格子所組成的畫像元素，每一格子中都標有一對坐標，一個代表其行值，另一則代表其列值。行值從這張圖像的最左邊開始標幟自0一直到n，n表示行值中最大值。相同的，列值從最上方起定為0，往下移動至m值，m表示圖像全部列數。

所謂圖像處理就是為了某種目的對圖像的強度（灰度值）分布視為一連串整數值的集合，經由不斷的運算執行某些特定的加工和分析。

1、圖像處理原理

圖像處理涵蓋的范圍十分很廣泛，但是，所采用的基本原理和方法是一致的。整體說來，圖像處理這門科學所研究的主要內容包括了圖像數的模數轉化（A/D Image Transform）、圖像的增強與復原（Image Enhancement and Restoration）、圖像編碼與壓縮（Image Encoding and Compression）、圖像切割（Image Segmentation）、圖像的表示和描述（Image Representation and Description）、圖像特征匹配（Image Feature Matching）等等。

所謂切割就是企圖將圖像中之標的物析出的處理過程。圖像切割可說是圖像的分析過程中最重要之步驟之一，在一般所采用的方法主要為邊緣的檢測(Edge Detection)及臨界值法(Thresholding)。

圖像特征匹配，特征匹配法的"特征"，需先加以定義。舉例而言，若要描述一個人，最好先說明他的特征。在外表方面，例如身高、體重、胸圍....等等；在心理方面，例如和善的、好勝的、沉默的....等等；在事業方面，例如職業、收入....等等。不同特征適用于不同描述目的，例如描述一個人的健康，需要上述的身高、體重特征；若要描述一個人的成就，所需特征就多得多，舉凡上述特征之外，還可能需要這個人的生平事跡等等。據此了解，一個人的特征能夠代表一個人，故特征具備了代表性。除外，若現需將每個人由高至矮排序，所需特征只身高一項，其它體重、性格等等數據無需獲得，因此使用特征亦具備簡化使用信息量之目的。

所謂匹配（Matching）或被翻譯成“比對”，即將物體的特征與預存在計算機中之原型（Proto types）或樣版（Template）的特征加以比較，若相似度（Similarity）或非相似度（Dissimilarity）小于或大于某預設的門檻值（Threshold），則稱兩者匹配成功。匹配較傾向屬于圖形辨認（Pattern Recognition）范圍，因其中含有“分類”（Classification）或“辨認"（Repetition）意味之故。建立計算機中原型或樣版特征之過程稱"訓練"（Training），做法為事先采取某些樣品（Sample）或典型（Typical）之特征加以儲存之。特征匹配的常用方法有許多種：最近鄰居法（Nearest Neighbor Method）、二元決策樹法（The Binary Decision Tree Method）、屬于動態規畫法（Dynamic Programming）的DP匹配法等。

特征匹配目的在使具有相同或類似待征的物體產生關聯，以便于辨認或分類。就交通方面而言，特征匹配法可用來區分不同的交通工具。舉例而言，若圖像中某物體長度4公尺，寬2公尺，形狀呈矩形（以上皆為特征），該物體極可能被分類為小汽車；若為長10公尺，寬2.5公尺的矩形，則可被分類為大型車（巴士、大貨車）。

2、圖像處理應用于交通

早期圖像處理技術的應用范圍受到圖像處理設備價格昂貴以及處理速度緩慢的影響，僅局限于某些領域；及至70年代后至今，隨著理論的發展與集成電路革命造就計算機科技的進步，使得圖像處理的應用范圍漸廣。

美國于1978年由聯邦高速公路局委托E.E. Hilbert、C. Carl、W. Gross、G.R. Hanson、M.J. Olasaby及A.R. Johnson發展寬域檢測系統（Wide Area Detection System , WADS），其它各國如日本、法國、英國、瑞典等也已陸續投注了相當的研究，并有不錯的成績。相對于國外，國內將圖像處理技術應用于交通的發展，在近年已經有相當程度的進步，如國內目前相當熱門的車牌識別，有多個廠家推出了相應的產品。下面將針對圖像處理技術在交通上的應用分車輛檢測、車種識別、車輛跟蹤三個部分做簡單介紹。

1）、車輛檢測